对任意脑电记录进行事后标注以实现神经解码方法的数据高效评估
机器学习
2017-11-23 v1 应用统计
机器学习
摘要
许多认知、感觉和运动过程在振荡神经源中有相关表现，这些神经源作为子空间嵌入到记录到的脑信号中。从含噪的脑磁图/脑电图（M/EEG）信号中解码此类过程，通常需要使用数据驱动的分析方法。然而，在实验原始信号上客观评估此类解码算法是一项挑战：可用的 M/EEG 数据通常有限，标签可能不可靠，且原始信号常被伪迹污染。如果伪迹源于感兴趣振荡神经过程的行为混淆，则后者尤其成问题。为克服其中一些问题，已引入仿真框架用于解码方法的基准测试。然而，大多数仿真框架在生成人工脑信号时，对脑活动做出强烈且部分不现实的假设，这限制了所得结果向真实世界条件的推广。在本文中，我们致力于消除当前仿真框架的诸多缺陷，并提出一种通用替代方案，可对新型数据驱动神经信号解码方法进行客观评估与基准测试。其核心思想是利用对任意 M/EEG 记录的事后标注。该策略使其与范式无关，并允许生成具有无噪标签的较大数据集。该新型仿真方法的源代码与数据已公开以促进其采用。
引用
@article{arxiv.1711.08208,
title = {Post-hoc labeling of arbitrary EEG recordings for data-efficient evaluation of neural decoding methods},
author = {Sebastian Castaño-Candamil and Andreas Meinel and Michael Tangermann},
journal= {arXiv preprint arXiv:1711.08208},
year = {2017}
}